目标识别是当前数字图像处理和模式识别领域的研究热点之一，其应用范围十分广泛。基于统计学习理论的支持向量机(SVM，Support Vector Machine)，遵循结构风险最小化原则，有效解决了传统模式识别方法容易出现的过学习和欠学习问题，成为当前模式识别领域的首选。本文以智能汽车主动安全预警系统为背景，以城区复杂交通背景下的车辆、行人等目标为研究对象，对支持向量机在目标识别中的应用进行了讨论和研究，并提出了一种基于支持向量机和集成学习的目标识别的新方法。　　 文中首先对城区交通环境下的车辆、行人等目标进行检测，为后续的目标识别提供条件。在对图像进行灰度化、平滑去噪等预处理之后，使用Sobel算子垂直方向掩模计算图像感兴趣区域内的边缘梯度，确定候选区域；然后利用目标图像垂直边缘具有对称性的特点，分析候选区域的对称性强弱，计算其对称轴位置；最后结合边缘、底部阴影、外形高宽比等多种特征在对称轴附近搜索候选目标的外接轮廓矩形，从而检测出目标所在区域。　　 然后，本文提出了一种基于混合核函数的AdaBoost-SVM多类分类算法，并将该算法运用于城区障碍物目标的分类识别上。该算法将多项式核函数和径向基核函数结合起来，组成的混合核函数作为支持向量机的核函数，并结合AdaBoost集成学习对核函数参数进行自适应调整，通过AdaBoost学习得到一组精度适当且差异性较大的弱分类器，然后将这组弱分类器加权组合得到一个强分类器。在对检测的目标进行分类识别之前，首先获取城区障碍物的样本并提取其特征，得到一组由几何特征高宽比、不变矩特征和纹理特征等组成的特征向量；而后将样本的特征向量作为输入数据，按照本文提出的多类分类算法进行训练，得到强分类器。最后用训练好的分类器对实时检测到的目标当作未知新样本进行测试，以确定目标所属的具体类别。　　 实验表明，本文的算法具有较高的识别精度和识别效率，具有较好的泛化性能，能满足实际应用的需求。